โครงการนี้จัดทำขึ้นเพื่อตอบสนองต่อปัญหาในทางการแพทย์ที่เกี่ยวข้องกับกระบวนการนับและแยกเซลล์เม็ดเลือดจากตัวอย่าง ซึ่งเป็นกระบวนการที่ต้องใช้เวลาและความแม่นยำสูง เพื่อช่วยลดภาระของบุคลากรทางการแพทย์ ทางผู้จัดทำจึงได้พัฒนา แพลตฟอร์มและระบบปัญญาประดิษฐ์ (AI) ที่สามารถจำแนกประเภทและนับจำนวนเซลล์จากภาพตัวอย่างได้โดยอัตโนมัติ ระบบนี้ถูกออกแบบมาเพื่อช่วยผ่อนแรงนักเทคนิคการแพทย์ให้สามารถทำงานได้อย่างรวดเร็วและแม่นยำยิ่งขึ้น ลดระยะเวลาในการตรวจวิเคราะห์ อีกทั้งยังเป็นการส่งเสริมการพัฒนาเทคโนโลยีในวงการแพทย์ เพื่อให้สามารถรองรับการใช้งานในระดับห้องเรียน ห้องปฏิบัติการจนถึงโรงพยาบาลได้อย่างมีประสิทธิภาพ
เนื่องจากคณะผู้จัดทำมีโอกาสได้พูดคุยกับบุคลากรที่ทำงานในสายอาชีพเทคนิคการแพทย์ จึงเล็งเห็นถึงปัญหาด้านระยะเวลาการทำงาน โดยเฉพาะในกระบวนการแยกและนับจำนวนเซลล์เม็ดเลือด ซึ่งเป็นขั้นตอนที่ใช้เวลาค่อนข้างมาก คณะผู้จัดทำจึงเล็งเห็นโอกาสในการนำความรู้ที่มีมาพัฒนาแนวทางใหม่เพื่อช่วยลดภาระงานของบุคลากรทางการแพทย์ หากสามารถลดระยะเวลาในกระบวนการดังกล่าวได้ ด้วยเหตุนี้เอง โครงการนี้จึงถูกริเริ่มขึ้นมา โดยมีเป้าหมายเพื่อพัฒนาเทคโนโลยีที่สามารถสนับสนุนการทำงานของบุคลากรทางการแพทย์ และยกระดับคุณภาพของกระบวนการตรวจวินิจฉัยให้มีความรวดเร็วและแม่นยำยิ่งขึ้น
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
ด้วยสถานการณ์ “ค่าครองชีพ” ของประเทศไทยในปัจจุบันมีแนวโน้มพุ่งขึ้นสูงเรื่อยๆ เป็นผลทำให้ประชากรที่พึ่งสำเร็จการศึกษา ประสบกับปัญหาเรื่องการจัดการค่าใช้จ่ายให้สอดคล้องกับค่าครองชีพอย่างเหมาะสมในปัจจุบัน ซึ่งค่าใช้จ่ายเรื่องอาหารที่แม้แต่ตามสั่งทั่วไปก็พุ่งสูงขึ้นเรื่อยเรื่อยไม่มีท่าทีจะลดลงแม้ต้นทุนวัตถุดิบจะปรับปรุงก็ตาม Pay - Attention เป็นเว็บไซต์แพลต์ฟอร์มที่จะช่วยให้ทราบถึงการบริหารจัดการ การใส่ใจเรื่องค่าใช้จ่ายสำหรับการบริโภคอาหารเบื้องต้นสำหรับเด็กจบใหม่ จับจ่ายใช้สอยอย่างไร ให้คุ้มค่า คุ้มราคา เพียงพอต่อความต้องการใช้พลังงานสำหรับชีวิตประจำวันโดยไม่จำเจ
คณะวิศวกรรมศาสตร์
ในปัจจุบัน ประเทศไทยกำลังประสบปัญหาฝุ่น PM2.5 ทั่วประเทศ ซึ่งมีแหล่งกำเนิดของฝุ่นได้จากหลายแหล่งที่มา เช่น ควันจากท่อไอเสียรถยนต์ การเผาในที่โล่ง ไฟป่า และอื่นๆ ดังนั้น แหล่งที่มาของฝุ่นในแต่ละพื้นที่จึงมีแนวโน้มที่จะแตกต่างกันไป ในปัจจุบันโดยเป็นการวิเคราะห์เชิงเคมีเป็นหลัก ทางคณะผู้จัดเสนอแนวทางใหม่ในการศึกษาแหล่งที่มาของฝุ่นโดยวิธีการทางกายภาพโดยวิเคราะห์จากขนาดของอนุภาคและโครงสร้างเชิงนาโน การวิเคราะห์ข้างต้นนี้ตัวอย่างฝุ่นจำเป็นที่จะต้องถูกเก็บมาแบบแห้งในระยะเวลาจำกัด โดยไม่ควรใช้แผ่นกรองกระดาษในการเก็บฝุ่น เนื่องจากมีความเป็นไปได้ที่จะเกิดการลอกของแผ่นกรองออกมาด้วยในขั้นตอนการนำฝุ่นออกมา ทางคณะผู้จัดทำเห็นสมควรว่าเครื่อง Electrostatic Precipitator (ESP) หรือ เครื่องดักฝุ่นแบบไฟฟ้าสถิตย์ นั้นมีคุณสมบัติเหมาะสมที่จะนำมาเป็นเครื่องดักฝุ่นเพื่อนำไปทดสอบทางกายภาพตามที่กล่าวไว้ข้างต้น โดยในงานวิจัยนี้มุ่งเน้นไปในส่วนของการออกแบบและสร้างเครื่อง ESP ที่ใช้ในจุดประสงค์เฉพาะดังกล่าวข้างต้น โดยคณะผู้จัดทำสามารถสร้างเครื่องที่เก็บฝุ่นได้อย่างน้อย 100 mg ภายใน 1 วัน ซึ่งเพียงพอกับการนำไปศึกษาโครงสร้างเชิงนาโนใน 1 ครั้ง นอกจากนี้ จากการทดสอบการทำงานเบื้องต้นพบว่าเครื่องมีประสิทธิภาพในการดักฝุ่นถึง 80% (ซึ่งมากกว่าเครื่อง ESP ที่หามาได้ตามท้องตลาด) และยังพบอีกว่าประสิทธิภาพในการดักฝุ่นแปรผกผันกับความเร็วอากาศขาเข้า โดยความเร็วอากาศแนะนำจากการทดลองไม่เกิน 2 m/s อย่างไรก็ตามเครื่อง ESP ที่ใช้ในจุดประสงค์เฉพาะนี้ยังมีจุดที่สามารถพัฒนาได้อีก เช่น ความสะดวกในการเก็บฝุ่นที่เกี่ยวเนื่องมาจากลักษณะโครงสร้างเครื่อง และการปรับขนาดของเครื่องให้กระทัดรัดและเหมาะสมกับการใช้งาน เป็นต้น
คณะเทคโนโลยีการเกษตร
ทุเรียนเป็นพืชเศรษฐกิจที่สำคัญของประเทศไทยและเป็นสินค้าส่งออกที่มีปริมาณสูงที่สุดในโลก อย่างไรก็ตาม การผลิตทุเรียนให้มีคุณภาพสูงจำเป็นต้องอาศัยการดูแลสุขภาพของต้นทุเรียนให้แข็งแรงและปราศจากโรค เพื่อให้สามารถให้ผลผลิตได้อย่างมีประสิทธิภาพ และลดความเสียหายที่อาจเกิดขึ้นกับทั้งต้นและผลทุเรียน โรคที่พบได้บ่อยและสามารถแพร่กระจายได้อย่างรวดเร็ว มักเป็นโรคที่เกิดขึ้นบริเวณใบ ซึ่งส่งผลกระทบโดยตรงต่อการเจริญเติบโตของต้นทุเรียนและคุณภาพของผลผลิต การตรวจสอบและควบคุมโรคทางใบจึงเป็นปัจจัยสำคัญในการรักษาคุณภาพของทุเรียน งานวิจัยนี้มีวัตถุประสงค์เพื่อนำเทคโนโลยีการวิเคราะห์ภาพถ่ายร่วมกับปัญญาประดิษฐ์ (Artificial Intelligence: AI) มาประยุกต์ใช้ในการจำแนกโรคที่เกิดขึ้นในใบทุเรียน เพื่อให้เกษตรกรสามารถตรวจสอบโรคได้ด้วยตนเองโดยไม่ต้องอาศัยผู้เชี่ยวชาญ โดยจำแนกใบออกเป็น 3 ประเภท ได้แก่ ใบสุขภาพดี (Healthy: H) ใบที่ติดเชื้อแอนแทรคโนส (Anthracnose: A) และใบที่ติดเชื้อจุดสาหร่าย (Algal Spot: S) ทั้งนี้ ได้นำอัลกอริทึม Convolutional Neural Networks (CNN) ได้แก่ ResNet-50, GoogleNet และ AlexNet มาใช้ในการพัฒนาแบบจำลองเพื่อจำแนกประเภทของโรค ผลการทดลองพบว่า แบบจำลองที่ใช้ ResNet-50, GoogleNet และ AlexNet ให้ค่าความแม่นยำในการจำแนกใบเท่ากับ 93.57%, 93.95% และ 68.69% ตามลำดับ